B站748集AI大模型零基础教程：从RAG到Agent实战全解析

B站上出现了一套号称「最全最细」的AI大模型零基础教程，全集数达748集，分为基础篇、进阶篇和实战篇三个篇章。这套课程的UP主声称翻遍了B站和YouTube几乎所有大模型相关内容，花了四个月将核心知识点拆解成体系化课程。

从课程结构来看，这套教程试图解决一个长期存在的痛点：市面上大量大模型教程要么堆砌Transformer、上下文窗口等概念却不落地，要么直接甩API代码而忽略了底层认知的建立。

基础篇：先看懂大模型再动手

基础篇的目标是建立对大模型的底层认知。课程从几个根本问题切入：什么是大语言模型，它和普通搜索有什么区别，大模型的能力边界在哪里，哪些场景能用、哪些不能用。这些问题的答案直接决定了后续开发中技术选型的合理性。

在建立基本认知之后，课程进入提示词工程板块。按照UP主的描述，这部分覆盖了从基础原理到Prompt调优、思维链提示、结构化输出，再到Vibe Coding的完整路径。

提示词工程作为大模型应用开发的第一道门槛，其重要性在于：即使模型能力再强，提示词设计不当也会导致输出质量的巨大差异。将这部分放在基础篇而非进阶篇，说明课程设计者认为提示词能力是所有后续开发的前提。

这一篇章还包含大模型发展脉络和主流生态全景的介绍，帮助学习者理解当前技术格局的形成逻辑。

思维链（Chain-of-Thought, CoT） 是一种提示词技术，由Google在2022年提出。其核心思想是让模型在给出最终答案前，先输出中间推理步骤。例如，面对数学应用题，模型不再直接蹦出结果，而是逐步列出计算过程。研究表明，这种「先思考再回答」的模式能显著提升大模型在复杂推理任务上的准确率，尤其是在算术、常识推理和符号操作领域。CoT的实现方式包括零样本CoT（在提示词中加一句「让我们一步步思考」）和少样本CoT（提供包含推理步骤的示例）。后续还衍生出自我一致性（Self-Consistency）、思维树（Tree of Thoughts）等增强变体，成为提示词工程中提升模型推理能力的关键手段之一。

Vibe Coding 是2024年前后兴起的一个非正式术语，描述一种以自然语言对话驱动代码生成的新型编程范式。开发者不再逐行手写代码，而是用口语化的描述向AI编程助手（如GitHub Copilot、Cursor、Claude等）表达意图，由模型生成代码框架或具体实现，开发者再通过对话迭代调整。这种模式强调「感觉对了就继续」，弱化传统语法细节，适合快速原型开发和个人项目。不过，Vibe Coding也因缺乏严谨的软件工程规范而受到批评，生成的代码可能存在安全隐患、性能问题或难以维护，因此更适合探索性场景而非生产级系统。

进阶篇：RAG、LangChain与Agent开发

进阶篇是整套课程技术密度最高的部分。课程从RAG（检索增强生成）入手，覆盖了从原理到完整流程的全部环节，包括向量数据库选型、文档切分优化、多路召回与Rerank重排序。

RAG之所以被放在进阶篇的首要位置，是因为它解决了大模型最核心的落地障碍之一——模型知识更新滞后和幻觉问题。通过外接知识库，RAG让大模型能够基于最新、最准确的文档回答问题，这是企业级应用的基础架构。

框架层面，课程选择了LangChain作为实战框架，涵盖Tools工具绑定与Function Calling、Memory记忆系统、LangGraph多Agent协作等模块。这些内容对应的是当前大模型应用开发中最活跃的技术方向：让模型不仅能回答问题，还能调用工具、记住上下文、与其他Agent协同完成任务。

调试评测与工程化部署也被纳入进阶篇。这一点值得注意——大量教程止步于「能跑通demo」，但真实业务场景中，评测体系、性能优化和部署方案才是决定项目能否上线的关键。

向量数据库 是RAG架构中的核心存储组件，专门用于高效存储和检索高维向量数据。在RAG流程中，文档经过嵌入模型（如text-embedding-3、BGE等）转换为向量后存入向量数据库。当用户提问时，问题同样被向量化，数据库通过近似最近邻（ANN）算法快速找出语义最相似的文档片段。常见的向量数据库包括Pinecone、Weaviate、Milvus、Qdrant以及Chroma等。选型时需权衡索引类型（如HNSW、IVF）、过滤能力、可扩展性、延迟和成本。向量数据库的质量直接影响RAG的召回效果，因此文档切分策略、嵌入模型选择和索引参数调优往往需要联合优化。

Rerank（重排序） 是RAG多路召回后的精排环节。初步检索（如向量相似度搜索或关键词搜索）通常会返回较多候选文档，但其中可能包含语义相关但实际无用的内容。Rerank模型（如Cohere Rerank、BGE Reranker）会对候选文档与问题的相关性进行更精细的打分，重新排序后保留Top-K个最相关片段送入大模型生成答案。相比仅依赖向量相似度，Rerank能显著提升答案的准确性和相关性，尤其在处理复杂查询或多跳推理时效果明显。代价是增加了一次模型推理调用，对延迟和成本有一定影响，因此常与多路召回策略配合使用以平衡效果与效率。

LangGraph 是LangChain团队推出的一个扩展库，专注于构建有状态、多步骤的Agent工作流。传统LangChain的Chain是线性的，而LangGraph将工作流建模为图结构，节点代表具体的操作（如调用模型、执行工具），边代表控制流。它支持循环、条件分支和持久化状态，使得多个Agent可以协作、互相调用或按需切换。LangGraph特别适合实现复杂的多Agent系统，例如一个Agent负责规划，另一个负责执行，第三个负责审查。其核心优势在于提供了对Agent行为的精细控制，同时保持了与LangChain生态的兼容性。对于需要动态决策和长时间运行的Agent应用，LangGraph已成为当前主流的编排框架之一。

实战篇：三个企业级项目落地

实战篇包含三个项目：企业知识库问答系统、电商智能客服助手和股票分析智能体。

第一个项目从RAG架构出发，串联文档切分、向量库构建到语义检索的完整链路，是RAG技术的综合应用。第二个项目则叠加了意图识别、多轮对话、知识库微调和情感分析，复杂度更高。第三个项目面向金融场景，涉及数据获取、时序分析、可视化报表、研报摘要和风险提示。

三个项目的选取覆盖了知识管理、客户服务和金融分析三个典型场景，对应了当前大模型落地最集中的行业方向。课程强调「每一节都有配套代码课件」，如果确实兑现，对于自学开发者来说降低了不小的上手门槛。

这套教程适合谁

从课程设计来看，目标受众是有一定编程基础、但缺乏大模型系统认知的开发者。课程不要求预先了解Transformer架构或深度学习理论，但需要具备基本的编程能力来完成实战项目的代码实践。

748集的体量意味着极细的知识颗粒度，但也对学习者的持续投入提出了要求。UP主声称「七天从小白到大神」，这一说法显然更多是营销层面的表达，实际学习周期取决于每天投入的时间和实践深度。

课程配套提供源码、课件、Prompt模板和学习路线图，通过评论区留言即可获取。对于希望系统入门大模型应用开发的开发者，这套教程的体系化程度在B站免费内容中确实较为少见。